[发明专利]一种基于生成对抗网络的图像非刚性配准方法及系统

说明书

本发明公开一种基于生成对抗网络的图像非刚性配准方法及系统，方法包括：基于真实的医学图像数据集获取合成的医学图像数据集，将合成的数据集作为生成对抗网络模型的训练样本，将真实的数据集作为最优化生成对抗网络模型的验证和测试数据集；构造生成对抗网络模型的结构，基于合成的医学图像数据集，对生成对抗网络模型进行迭代训练，得到最优化的生成对抗网络模型；基于最优化的生成对抗网络模型对真实医学图像数据集中的待配准图像对进行图像的非刚性配准，得到与参考图像贴近的矫正后图像。本发明中的上述方法能够在医学图像训练样本数量少、缺乏标注信息的情况下，提高医学图像非刚性配准的精度和速度，从而增强了配准方法和系统的泛化能力。

技术领域

本发明涉及图像处理领域，特别是涉及一种基于生成对抗网络的图像非刚 性配准方法及系统。

背景技术

医学图像配准技术的发展历程可以分为三个阶段：20世纪80年代，由于 当时成像技术的落后，大多研究仅限于同种模态图像间的刚性配准；90年代， 随着各种模态图像的出现，配准不再仅限于单模态之间，多模态图像配准与融 合技术由此而生，但是此时的图像间的空间变换关系依然是刚性的；21世纪 初，医学中的临床应用对图像配准提出了更高的需求，虽然刚性配准技术已经 达到成熟，但是无法解决医学图像中存在的不规则大变形的问题，只有用非刚 性的配准技术才能更好的描述配准图像对之间的空间关系。

综合国内外的图像配准技术的研究现状，相关研究方法可分为两大类：基 于传统的非刚性图像配准方法和基于深度学习的非刚性图像配准方法。其中传 统配准方法主要利用迭代式的梯度下降方法实现图像对之间的配准，但是在处 理较大的医学图像时，采用迭代的方法耗时大，配准效率也不理想。现有的基 于深度学习的方法分为三种：基于有监督的配准方法、基于半监督的配准方法、 基于无监督的配准方法。有监督配准方法虽然在不同的数据集上表现出较好的 优势，也获得较好的实验结果，但是获得的配准模型过于依赖对完整数据集的 训练，并且用于实际配准的训练样本是经过合成得到，还需要手工注释相应的 特征信息；对于实际的医学图像，局部会存在缺失、较大形变和各个器官自身 不规则的生理运动引起的非线性形变，合成得到的数据集与真实图像的分布不 够接近，从而导致训练得到的配准模型精度不够理想。半监督配准方法相比于 有监督的配准方法，虽然不需要完整的合成变形场进行模型的训练，但是在实 际的训练中，也需要给训练模型提供部分相应的标签或是分段块掩码进行学 习，实际的医学图像解剖结构复杂，图像的变形程度也不同，为了获得更好的 配准精度，图像配准方法仍然有待进一步提高。无监督的配准方法①基于块的 方式来执行图像配准。虽然这种方法实现了较好的配准效果，但最终的配准结 果仍然依赖于其他基于特征的配准方法；同时，基于块的无监督配准方法，需 要后处理加工，并且后处理不能在卷积神经网络中进行，所以操作步骤比较繁 琐，费时费力，配准效率低。②基于学习方式的无监督配准方法，直接学习多 模态配准图像对的变形、优化相似性度量函数很难直接获得准确的像素相对位 移矢量场，同时与图像分类，分割任务相比，图像配准的标签很难直接获取。

上述方法虽然在单模态的图像配准任务中实现了较好的结果，但是直接用 于实现多模态的图像配准还是比较困难的。一方面原因是实际医学图像的结构 复杂性，如：局部存在缺失、存在较大变形和各个器官自身生理运动引起的不 规则变形；另一方面原因是定义一个鲁棒的图像相似性度量比较困难，对配准 精度难以评估。

发明内容

本发明的目的是提供一种基于生成对抗网络的医学图像非刚性配准方法 及系统，能够在医学图像训练样本数量少、缺乏标注信息的情况下，提高医学 图像非刚性配准的精度和速度，从而增强了配准方法和系统的泛化能力。

为实现上述目的，本发明提供了如下方案：

一种基于生成对抗网络的图像非刚性配准方法，所述配准方法包括：

图像数据集的扩充，基于真实的医学图像数据集获取合成的医学图像数据 集，将合成的数据集作为生成对抗网络模型的训练样本，将真实的数据集作为 最优化生成对抗网络模型的验证和测试数据集；